一种基于车载激光点云的道路场景类型识别方法及系统

1.本发明属于道路场景识别技术领域，具体涉及一种基于车载激光点云的道路场景类型识别方法及系统。


背景技术：

2.车载激光扫描系统作为迅速发展的新型测绘技术，能够快速、准确地获取道路场景及周围地物的空间信息，被广泛应用于城市交通管理、智慧交通、高精地图等领域中。高精地图是实现自动驾驶的前提基础，道路边界场景类型作为静态高精地图的重要组成部分，其类型的精确识别有助于辅助自动驾驶汽车行驶路径规划和决策。
3.目前，道路场景识别主要分为两种方法：基于图像的道路场景类型识别方法和基于gps轨迹数据的道路类型识别方法。基于图像的道路场景类型识别方法主要针对图像进行特征抽取、描述、匹配，通过归纳总结不同路口类型语义特征、空间结构以及拓扑形状等，实现路口类型的识别，然而该方法实现的路口类型识别均依赖于人工设计的特征，识别的效果严重依赖于特征项设计的准确度，且基于图像的方法对光照较敏感，难以识别复杂的道路场景类型。基于gps轨迹数据主要利用车辆时空轨迹数据，基于轨迹数据路口处的转弯角度、速度、停留时长等构建路口特征集合，基于不同路口类型特征分类不同路口类型，该方法使用的gps轨迹数据依据车辆行驶留下的轨迹区域，对于车辆行驶较少的道路易造成轨迹数据残缺不全，难以精确识别道路场景。
4.专利cn108877267a公开了一种基于车载单目相机的交叉路口检测方法，其设计了路口类型分类及距离估计损失函数构建综合损失函数，构建特征编码子网络、路口类型分类子网络及距离分类子网络形成交口路口类型检测网络，以车载单目相机采集的道路彩色图像作为输入网络中，输出道路的交叉口的类型。但该方法基于车载单目相机获取的单目图像获取的分辨率较低且包含信息有限，难以应用到大场景道路场景中。
5.专利cn106896353a公开了一种基于三维激光雷达的无人车路口检测方法，其利用无人车装载的激光雷达采集道路场景点云数据，将点云数据转换为栅格图像提取多帧高度信息图，基于高度信息图像素点作为特征向量，基于无人车所在实际位置与真实地图对应查找无人车前方的交叉路口点，最后基于支持向量机输入高度信息图特征向量和交叉路口点，分类出无人车所在位置路口类型。但该方法将点云转换为栅格图像方法，生成的图像仍存在精度损失，且分类的精度依赖于特征的选择，影响道路场景类型分类精度。
6.专利cn109271858a公开了一种基于行车轨迹和视觉车道边线数据的路口识别方法，其基于行车轨迹数据提取轨迹速度为零数据轨迹点集合，基于密度聚类算法对轨迹点集合生成路口停止线，基于停止线数据与道路关联的摄像头车道边线数据进行切割，提取出路口位置。但该方法仅能识别出路口区域，未能区分不同的路口类型。
7.专利cn110688958a公开了一种基于googlenet神经网络的交叉路口识别方法，其基于路网数据作为路口样本，将路口样本输入googlenet卷积神经网络训练，识别不同路口类别。但该方法识别出的路口仅能识别城市主干道路场景，难以识别高速岔道与非岔道等
类型。
8.专利cn109635722a公开了一种高分辨率遥感影像路口自动识别方法，其基于遥感影像进行道路类和非道路类的粗提取，通过提取道路骨架交叉点，作为候选路口坐标，进而识别路口。但该方法仅适用于道路区域特征明显的城区主干道路，对于次干道路处难以识别出路口，且识别出的路口未能识别出路口类型。
9.专利cn109815993a公开了一种基于gps轨迹的区域特征提取、数据库建立及路口识别方法，其基于轨迹数据的速度变化提取移动gps轨迹，采用特征提取窗口提取道路特征，最后基于滑动窗口的knn算法识别交叉路口。但该方法对难以识别轨迹数据较少区域，且未能对识别出的路口做类型的区分。


技术实现要素：

10.本发明的目的在于提供一种基于车载激光点云的道路场景类型识别方法及系统，该方法及系统有利于识别出不同道路场景类型的道路边界。
11.为实现上述目的，本发明采用的技术方案是：一种基于车载激光点云数据的道路场景类型识别方法，包括以下步骤：
12.s1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云；
13.s2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段；
14.s3、将路口段聚类为独立对象，采用动态图卷积神经网络dgcnn分类十字路口和t字路口，得到直线段、十字路口和t字路口。
15.进一步地，所述步骤s1具体包括以下步骤：
16.s11、基于车载激光点云数据，采用布料模拟滤波方法获取地面点云；
17.s12、基于步骤s11获取的地面点云，采用超体素方法分割地面点云，超体素的每个点具有相同的语义标签，法向相近的道路边界点云被分割在同一语义标签内，该标签内所有的道路边界点云组成一个体素块；
18.s13、计算地面点云超体素每个体素块内点云内法向量与点云数据坐标系z轴的夹角均值δθ，计算每个体素块内点云的最大高程与最小高程之差δh，依据体素块法向阈值t
normal
及体素块高程差阈值t
height
，计算满足t
normal
、t
height
的体素块，提取出的体素块即为包含道路边界点云体素块；
19.s14、基于车载激光扫描系统轨迹线，保留道路两侧设定范围内的数据点，去除设定范围外的数据点；
20.s15、采用欧式聚类对粗提取的道路边界体素块聚类，设定聚类簇点数量阈值t
num
，去除小于阈值数量点的聚类簇，得到去噪后的体素块，即道路边界点云。
21.进一步地，所述步骤s2具体包括以下步骤：
22.s21、基于获取的道路边界点云，采用主成分分析法计算道路边界点主方向；
23.输入道路边界点云，随机选择点云中一点pi，检索pi邻域r内的点云p1、p2、p3…
pn，计算邻域r范围内点云的x、y方向的均值计算邻域点的协方差矩阵c，选择协方差矩阵中最大特征值对应的特征向量作为道路边界点pi的x、y方向的主方向满足以下
公式：
[0024][0025][0026][0027][0028]
其中，n为点云邻域内点云数量；表示邻域内点xi、yi方向的平均值，xi、yi分别表示第i个点云在x方向、y方向上的坐标值；cov(x,y)表示x、y协方差矩阵；
[0029]
s22、以车载激光扫描系统轨迹点ti为中心，建立局部搜索区域roi，计算roi区域内初始轨迹点ti与末尾轨迹点tj的方向向量vi，计算roi区域内vi与道路边界点p1、p2、p3…
pn主方向的夹角θ1、θ2、θ3…
θn，该夹角称之为道路边界点的夹角特征值，满足以下公式：
[0030][0031][0032][0033]
s23、以车载激光扫描系统轨迹点ti为中心，逐轨迹点建立局部roii，统计局部roii内边界点夹角特征值θi的累加和逐轨迹点计算依次遍历所有轨迹点，计算所有轨迹点对应roii区域内的道路边界点的夹角特征值累加和路口区域roii夹角特征值累加和远大于直线段区域夹角特征值累加和设置阈值θ
threshold
分离直线段与路口区域：大于θ
threshold
，则当前roii区域为路口点云，否则为直线段点云，即满足以下公式：
[0034][0035][0036]
进一步地，所述步骤s3具体包括以下步骤：
[0037]
s31、根据s23提取的路口点云，基于连通分支聚类算法将路口点云聚类为独立对象，其中聚类距离为c
cluster
，基于聚类后的路口独立对象使用dgcnn网络分类路口类型；
[0038]
s32、将路口对象使用最远点采样为n个点，输入dgcnn网络，数据形式为n
×
3，3表示点云特征维初始特征个数，输入数据通过3层edge-conv和1层多层感知机mlp计算得到n
×
1024的采样点高维特征，将语义上相近的点聚合起来，提取点云不同层级的局域特征信息，最后使用最大池化获取n
×
1的全局特征，将提取的全局特征分配给每个点，将每个edgeconv提取的不同层级特征进行拼接，通过mlp融合所有特征信息并对高维特征降维，最后输出2
×
1表示当前对象被网络分类成2个类别对应的概率值大小，确定路口对象的类别，实现十字路口、t字路口的分类。
[0039]
本发明还提供了一种基于车载激光点云数据的道路场景类型识别系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
[0040]
与现有技术相比，本发明具有以下有益效果：打破了传统针对路口类型分类利用轨迹数据或遥感数据的局限，直接面向车载激光点云道路边界，识别不同道路场景类型，识别不同城区、高速场景的道路路口类型。本发明首先计算道路边界主方向与车载扫描系统轨迹线方向夹角，基于路口处和直线区域夹角的异同分类直线段与路口区域，对路口数据区域独立对象聚类，基于聚类后的路口区域使用深度神经网络分类十字路口与t字路口，实现了道路边界路口类型的识别。
附图说明
[0041]
图1为本发明实施例的方法实现流程图；
[0042]
图2为本发明实施例中地面点云超体素分割示意图；
[0043]
图3为本发明实施例中道路边界提取结果示意图；
[0044]
图4为本发明实施例中道路边界主方向示意图；
[0045]
图5为本发明实施例中道路边界夹角特征值示意图；
[0046]
图6为本发明实施例中道路边界轨迹点区域夹角特征值之和示意图；
[0047]
图7为本发明实施例中路口与直线段分类结果示意图；
[0048]
图8为本发明实施例中路口类型分类结果示意图；
[0049]
图9为本发明实施例中dgcnn模型架构图。
具体实施方式
[0050]
下面结合附图及实施例对本发明做进一步说明。
[0051]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0052]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0053]
如图1所示，本实施例提供了一种基于车载激光点云数据的道路场景类型识别方法，包括以下步骤：
[0054]
如图1所示，本实施例提供了一种基于车载激光点云数据的道路场景类型识别方法，包括以下步骤：
[0055]
s1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云。
[0056]
s2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段。
[0057]
s3、将路口段聚类为独立对象，采用动态图卷积神经网络(dynamic graph cnn,dgcnn)分类十字路口和t字路口，得到直线段、十字路口和t字路口。
[0058]
所述步骤s1的具体实现方法为：
[0059]
s11、基于车载激光点云数据，采用布料模拟滤波方法获取地面点云。
[0060]
s12、基于步骤s11获取的地面点云，采用超体素方法分割地面点云，超体素的每个点具有相同的语义标签，法向相近的道路边界点云被分割在同一语义标签内，这里法向相近是指两个道路边界点云的法向夹角小于设定的一个ε值。该标签内所有的道路边界点云组成一个体素块，该标签内表示为体素块。地面点云超体素分割如图2所示。
[0061]
s13、计算地面点云超体素每个体素块内点云内法向量与点云数据坐标系z轴的夹角均值δθ，计算每个体素块内点云的最大高程与最小高程之差δh，依据体素块法向阈值t
normal
及体素块高程差阈值t
height
，计算满足t
normal
、t
height
的体素块，提取出的体素块即为包含道路边界点云体素块。
[0062]
s14、基于车载激光扫描系统轨迹线，保留道路两侧设定范围内的数据点，去除设定范围外的数据点。
[0063]
s15、采用欧式聚类对粗提取的道路边界体素块聚类，设定聚类簇点数量阈值t
num
，去除小于阈值数量点的聚类簇，得到去噪后的体素块，即道路边界点云，如图3所示。
[0064]
所述步骤s2的具体实现方法为：
[0065]
s21、基于获取的道路边界点云，采用主成分分析法计算道路边界点主方向。
[0066]
输入道路边界点云，随机选择点云中一点pi，检索pi邻域r内的点云p1、p2、p3…
pn，计算邻域r范围内点云的x、y方向的均值计算邻域点的协方差矩阵c，选择协方差矩阵中最大特征值对应的特征向量作为道路边界点pi的x、y方向的主方向道路边界主方向如图4所示，满足以下公式：
[0067][0068][0069][0070][0071]
其中，n为点云邻域内点云数量；表示邻域内点xi、yi方向的平均值，xi、yi分别表示第i个点云在x方向、y方向上的坐标值；cov(x,y)表示x、y协方差矩阵。
[0072]
s22、以车载激光扫描系统轨迹点ti为中心，建立局部搜索区域roi，计算roi区域内初始轨迹点ti与末尾轨迹点tj的方向向量vi，计算roi区域内vi与道路边界点p1、p2、p3…
pn主方向的夹角θ1、θ2、θ3…
θn，该夹角称之为道路边界点的夹角特征值，如图5所示，满足以下公式：
[0073][0074][0075][0076]
s23、以车载激光扫描系统轨迹点ti为中心，逐轨迹点建立局部roii，统计局部roii内边界点夹角特征值θi的累加和逐轨迹点计算依次遍历所有轨迹点，计算所有轨迹点对应roii区域内的道路边界点的夹角特征值累加和如图6所示，路口区域roii夹角特征值累加和远大于直线段区域夹角特征值累加和设置阈值θ
threshold
分离直线段与路口区域：大于θ
threshold
，则当前roii区域为路口点云，否则为直线段点云，如图7所示，即满足以下公式：
[0077][0078][0079]
所述步骤s3的具体实现方法为：
[0080]
s31、根据s23提取的路口点云，基于连通分支聚类算法将路口点云聚类为独立对象，其中聚类距离为c
cluster
，基于聚类后的路口独立对象使用dgcnn网络分类路口类型。
[0081]
s32、将路口对象使用最远点采样为n个点，输入如图9所示的dgcnn网络，数据形式为n
×
3，3表示点云特征维初始特征个数，输入数据通过3层edge-conv和1层多层感知机mlp(muti－layer perception，mlp)计算得到n
×
1024的采样点高维特征，将语义上相近的点聚合起来，提取点云不同层级的局域特征信息，最后使用最大池化获取n
×
1的全局特征，将提取的全局特征分配给每个点，将每个edgeconv提取的不同层级特征进行拼接，通过mlp融合所有特征信息并对高维特征降维，最后输出2
×
1表示当前对象被网络分类成2个类别对应的概率值大小，确定路口对象的类别，实现十字路口、t字路口的分类，如图8所示。
[0082]
本实施例还提供了用于实现上述方法的道路场景类型识别系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
[0083]
本发明提供了一种基于车载激光点云数据的道路场景类型识别方案，首先基于车载激光点云，基于布料模拟滤波提取地面点云，利用边界增强的超体素方法对道路边界点聚类，对体素块内的法向量重新加权，使用法向量阈值与体素块高程差阈值提取道路边界点，剔除远离轨迹线中心的离散点云，基于连通分支方法剔除小于点数的离散点云，得到道路边界点云。基于道路边界计算其主方向，并以车载激光扫描系统行驶的轨迹线为前进方
向，计算轨迹线行驶方向和道路边界主方向的夹角值，统计不同轨迹点对应区域内夹角值的变化，对不同区域内夹角值进行排序，选取前十个作为阈值，分类路口区域与非路口区域；基于提取的路口区域，使用连通分支聚类为独立对象，使用动态图神经网络分类网络模型分类十字路口与t字路口，结合已分类的直线段，得到t字路口、十字路口、直线段。
[0084]
与现有技术相比，本发明直接面向车载激光点云道路边界构建了道路场景类型的识别方法，通过计算道路边界主方向与轨迹线进行方向夹角值的变化异同分类路口点与非路口点，基于路口数据聚类为独立对象，使用dgcnn模型分类十字路口和t字路口，最终输出不同道路场景类型的道路边界，为车载激光点云道路场景类型识别提供了一种新的研究方法。
[0085]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0086]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0087]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0088]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0089]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。